wiki по квалификационному экзамену Оценщиков - Вклад участника [ru]

Искусственный интеллект в оценке стоимости

2023-03-19T15:24:48Z

Kirill Murashev:

Искусственный интеллект в оценке стоимости

Цель: разработка систем поддержки принятия решений при оценке стоимости, основанных на искусственном интеллекте.

Задачи:
# автоматизированный сбор данных;
# геокодирование;
# описание свойств рынка;
# проверка статистических гипотез о свойствах рынка;
# задачи классификации: кластерный анализ, метод k-средних и т. д.;
# задачи снижения размерности;
# методы параметрической статистики: анализ корреляции, регрессионный анализ и т. д.;
# методы непараметрической статистики: анализ корреляции, регрессионный анализ и т. д.;
# методы машинного обучения: решающие деревья, их леса, градиентный бустинг.
# нейронные сети: перцептрон, свёрточные.

Обсуждение:
https://www.facebook.com/groups/1977067932456703/?ref=share
https://t.me/AIinValuation

Материалы:
Statistics, Machine Learning, Data Mining and Artificial Intelligence in Valuation

git clone https://github.com/Kirill-Murashev/AI_for_valuers_book

git clone https://github.com/Kirill-Murashev/AI_for_valuers_R_source

git clone https://github.com/Kirill-Murashev/AI_for_valuers_Python_source

Отдельные работы:
1. Краткое введение в различия между частотным и байесовским подходами к вероятности в оценке стоимости
(http://kvalexam.ru/images/7/78/Frequentist-and-Bayesian-probability.pdf)

2. Обоснование необходимости вычитания единицы при расчёте выборочной дисперсии
(https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Sample-variance/Sample-variance-subtract-one.md)

3. Практическое применения U-критерия Wilcoxon-Mann-Whitney в оценочной деятельности
(https://github.com/Kirill-Murashev/AI_for_valuers_book/tree/main/Parts-Chapters/Mann-Whitney-Wilcoxon)

4. Приведение данных, имеющих распределение отличного от нормального, к нормальному путём преобразования Box-Cox
(https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Box-Cox-R/Box-Cox-transformation.md)

5. Обработка выбросов в рыночных данных (https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Outliers-handling/Outliers.ipynb)

6. Электронная таблица для преобразования рыночных данных по методу Box-Cox, а также вычисления оптимального значения лямбда (https://web.tresorit.com/l/gMSV3#lZ4ZYpX6SWR9mWF1GK3bVg)

7. Электронная таблица для проверки нормальности распределения рыночных данных (на данный момент реализованы методы Шапиро-Уилка, Андерсона-Дарлинга, Харке-Бера, Колмогорова-Смирнова, Хи-квадрат) (https://drive.google.com/file/d/1Ft8VtvlpXALMmcqExKipWgD_bGZwK5r1/view?usp=sharing)

8. Электронная таблица для расчёта трёх коэффициентов корреляции: Пирсона, Спирмена, Кендалла (https://drive.google.com/file/d/1hqxxA4_7HjkisNTEi4-fKaQnvcmKBXVi/view?usp=sharing)

9. Jaccknife resampling. При анализе данных об открытых рынках оценщики часто сталкиваются с необходимостью оценить некоторые параметры этих рынков. Однако, скорее всего, у них никогда не будет возможности работать с данными по всему рынку. Вместо этого они собирают выборки, содержащие относительно небольшое количество наблюдений. Необходимо понимать, что любая оценка, сделанная на основе выборки, актуальна только для этой выборки. В то время как типичной целью является оценка параметра для всего рынка. В этом случае можно сказать, что любая выборочная оценка может иметь смещение относительно истинного значения всего рынка. Но мы можем частично преодолеть эту проблему, применив метод Jackknife. Данный материал содержит некоторые теоретические основы, а также практическую реализацию на Python. [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife.ipynb Английская], [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife-esp.ipynb испанская] и [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife-nov.ipynb русская] версии материала.

10. Бутсрап в оценке стоимости. Материал о применении бутстрапа в оценочной деятельности на примере разработки элементов кредитной политики небольшого банка. В целом можно сказать, что данный метод является одним из краеугольных камней машинного обучения и может быть использован практически повсеместно в повседневной практике оценщиков. Материал состоит из небольшой теоретической части, а также кода на языке Python. Доступен на [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP.ipynb английском], [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP-esp.ipynb испанском] и [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP-nrs.ipynb русском языках].

11. Геокодирование и расчёт дистанции между объектами. Разработал электронную таблицу (Google Sheets), получающую координаты объектов по их адресу либо названию, которая затем рассчитывает расстояние между ними. Обеспечивает определённую степень автоматизации при работе с геоданными для оценщиков.
[https://docs.google.com/spreadsheets/d/1reaO4XeWRMj7XoDCROp5boWp1uvc-3Cqk4DKKdCuVtE/edit?usp=sharing Таблица]
[https://youtu.be/HTsJwf42_W4 Видеоинструкция на русском языке]
[https://t.me/AIinValuation обсуждение на русском языке]

Искусственный интеллект в оценке стоимости

2023-03-11T16:45:45Z

Kirill Murashev: Geocoding 3

Искусственный интеллект в оценке стоимости

Цель: разработка систем поддержки принятия решений при оценке стоимости, основанных на искусственном интеллекте.

Задачи:
# автоматизированный сбор данных;
# геокодирование;
# описание свойств рынка;
# проверка статистических гипотез о свойствах рынка;
# задачи классификации: кластерный анализ, метод k-средних и т. д.;
# задачи снижения размерности;
# методы параметрической статистики: анализ корреляции, регрессионный анализ и т. д.;
# методы непараметрической статистики: анализ корреляции, регрессионный анализ и т. д.;
# методы машинного обучения: решающие деревья, их леса, градиентный бустинг.
# нейронные сети: перцептрон, свёрточные.

Обсуждение:
https://www.facebook.com/groups/1977067932456703/?ref=share
https://t.me/AIinValuation

Материалы:
Statistics, Machine Learning, Data Mining and Artificial Intelligence in Valuation

git clone https://github.com/Kirill-Murashev/AI_for_valuers_book

git clone https://github.com/Kirill-Murashev/AI_for_valuers_R_source

git clone https://github.com/Kirill-Murashev/AI_for_valuers_Python_source

Отдельные работы:
1. Краткое введение в различия между частотным и байесовским подходами к вероятности в оценке стоимости
(http://kvalexam.ru/images/7/78/Frequentist-and-Bayesian-probability.pdf)

2. Обоснование необходимости вычитания единицы при расчёте выборочной дисперсии
(https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Sample-variance/Sample-variance-subtract-one.md)

3. Практическое применения U-критерия Wilcoxon-Mann-Whitney в оценочной деятельности
(https://github.com/Kirill-Murashev/AI_for_valuers_book/tree/main/Parts-Chapters/Mann-Whitney-Wilcoxon)

4. Приведение данных, имеющих распределение отличного от нормального, к нормальному путём преобразования Box-Cox
(https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Box-Cox-R/Box-Cox-transformation.md)

5. Обработка выбросов в рыночных данных (https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Outliers-handling/Outliers.ipynb)

6. Электронная таблица для преобразования рыночных данных по методу Box-Cox, а также вычисления оптимального значения лямбда (https://web.tresorit.com/l/gMSV3#lZ4ZYpX6SWR9mWF1GK3bVg)

7. Электронная таблица для проверки нормальности распределения рыночных данных (на данный момент реализованы методы Шапиро-Уилка, Андерсона-Дарлинга, Харке-Бера, Колмогорова-Смирнова, Хи-квадрат) (https://drive.google.com/file/d/1Ft8VtvlpXALMmcqExKipWgD_bGZwK5r1/view?usp=sharing)

8. Электронная таблица для расчёта трёх коэффициентов корреляции: Пирсона, Спирмена, Кендалла (https://drive.google.com/file/d/1hqxxA4_7HjkisNTEi4-fKaQnvcmKBXVi/view?usp=sharing)

9. Jaccknife resampling. При анализе данных об открытых рынках оценщики часто сталкиваются с необходимостью оценить некоторые параметры этих рынков. Однако, скорее всего, у них никогда не будет возможности работать с данными по всему рынку. Вместо этого они собирают выборки, содержащие относительно небольшое количество наблюдений. Необходимо понимать, что любая оценка, сделанная на основе выборки, актуальна только для этой выборки. В то время как типичной целью является оценка параметра для всего рынка. В этом случае можно сказать, что любая выборочная оценка может иметь смещение относительно истинного значения всего рынка. Но мы можем частично преодолеть эту проблему, применив метод Jackknife. Данный материал содержит некоторые теоретические основы, а также практическую реализацию на Python. [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife.ipynb Английская], [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife-esp.ipynb испанская] и [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife-nov.ipynb русская] версии материала.

10. Бутсрап в оценке стоимости. Материал о применении бутстрапа в оценочной деятельности на примере разработки элементов кредитной политики небольшого банка. В целом можно сказать, что данный метод является одним из краеугольных камней машинного обучения и может быть использован практически повсеместно в повседневной практике оценщиков. Материал состоит из небольшой теоретической части, а также кода на языке Python. Доступен на [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP.ipynb английском], [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP-esp.ipynb испанском] и [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP-nrs.ipynb русском языках].

11. Геокодирование и расчёт дистанции между объектами. Разработал электронную таблицу (Google Sheets), получающую координаты объектов по их адресу либо названию, которая затем рассчитывает расстояние между ними. Обеспечивает определённую степень автоматизации при работе с геоданными для оценщиков.
[https://docs.google.com/spreadsheets/d/1qp_8IFgTKykMtTG5EaAMvUdY-fMSSOG81Ebo0Unr05g/edit?usp=sharing Таблица]
[https://youtu.be/HTsJwf42_W4 Видеоинструкция на русском языке]
[https://t.me/AIinValuation обсуждение на русском языке]

Искусственный интеллект в оценке стоимости

2023-03-11T16:45:00Z

Kirill Murashev: Geocoding 2

Искусственный интеллект в оценке стоимости

Цель: разработка систем поддержки принятия решений при оценке стоимости, основанных на искусственном интеллекте.

Задачи:
# автоматизированный сбор данных;
# геокодирование;
# описание свойств рынка;
# проверка статистических гипотез о свойствах рынка;
# задачи классификации: кластерный анализ, метод k-средних и т. д.;
# задачи снижения размерности;
# методы параметрической статистики: анализ корреляции, регрессионный анализ и т. д.;
# методы непараметрической статистики: анализ корреляции, регрессионный анализ и т. д.;
# методы машинного обучения: решающие деревья, их леса, градиентный бустинг.
# нейронные сети: перцептрон, свёрточные.

Обсуждение:
https://www.facebook.com/groups/1977067932456703/?ref=share
https://t.me/AIinValuation

Материалы:
Statistics, Machine Learning, Data Mining and Artificial Intelligence in Valuation

git clone https://github.com/Kirill-Murashev/AI_for_valuers_book

git clone https://github.com/Kirill-Murashev/AI_for_valuers_R_source

git clone https://github.com/Kirill-Murashev/AI_for_valuers_Python_source

Отдельные работы:
1. Краткое введение в различия между частотным и байесовским подходами к вероятности в оценке стоимости
(http://kvalexam.ru/images/7/78/Frequentist-and-Bayesian-probability.pdf)

2. Обоснование необходимости вычитания единицы при расчёте выборочной дисперсии
(https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Sample-variance/Sample-variance-subtract-one.md)

3. Практическое применения U-критерия Wilcoxon-Mann-Whitney в оценочной деятельности
(https://github.com/Kirill-Murashev/AI_for_valuers_book/tree/main/Parts-Chapters/Mann-Whitney-Wilcoxon)

4. Приведение данных, имеющих распределение отличного от нормального, к нормальному путём преобразования Box-Cox
(https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Box-Cox-R/Box-Cox-transformation.md)

5. Обработка выбросов в рыночных данных (https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Outliers-handling/Outliers.ipynb)

6. Электронная таблица для преобразования рыночных данных по методу Box-Cox, а также вычисления оптимального значения лямбда (https://web.tresorit.com/l/gMSV3#lZ4ZYpX6SWR9mWF1GK3bVg)

7. Электронная таблица для проверки нормальности распределения рыночных данных (на данный момент реализованы методы Шапиро-Уилка, Андерсона-Дарлинга, Харке-Бера, Колмогорова-Смирнова, Хи-квадрат) (https://drive.google.com/file/d/1Ft8VtvlpXALMmcqExKipWgD_bGZwK5r1/view?usp=sharing)

8. Электронная таблица для расчёта трёх коэффициентов корреляции: Пирсона, Спирмена, Кендалла (https://drive.google.com/file/d/1hqxxA4_7HjkisNTEi4-fKaQnvcmKBXVi/view?usp=sharing)

9. Jaccknife resampling. При анализе данных об открытых рынках оценщики часто сталкиваются с необходимостью оценить некоторые параметры этих рынков. Однако, скорее всего, у них никогда не будет возможности работать с данными по всему рынку. Вместо этого они собирают выборки, содержащие относительно небольшое количество наблюдений. Необходимо понимать, что любая оценка, сделанная на основе выборки, актуальна только для этой выборки. В то время как типичной целью является оценка параметра для всего рынка. В этом случае можно сказать, что любая выборочная оценка может иметь смещение относительно истинного значения всего рынка. Но мы можем частично преодолеть эту проблему, применив метод Jackknife. Данный материал содержит некоторые теоретические основы, а также практическую реализацию на Python. [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife.ipynb Английская], [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife-esp.ipynb испанская] и [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife-nov.ipynb русская] версии материала.

10. Бутсрап в оценке стоимости. Материал о применении бутстрапа в оценочной деятельности на примере разработки элементов кредитной политики небольшого банка. В целом можно сказать, что данный метод является одним из краеугольных камней машинного обучения и может быть использован практически повсеместно в повседневной практике оценщиков. Материал состоит из небольшой теоретической части, а также кода на языке Python. Доступен на [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP.ipynb английском], [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP-esp.ipynb испанском] и [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP-nrs.ipynb русском языках].

Геокодирование и расчёт дистанции между объектами.

Разработал электронную таблицу (Google Sheets), получающую координаты объектов по их адресу либо названию, которая затем рассчитывает расстояние между ними. Обеспечивает определённую степень автоматизации при работе с геоданными для оценщиков.
[https://docs.google.com/spreadsheets/d/1qp_8IFgTKykMtTG5EaAMvUdY-fMSSOG81Ebo0Unr05g/edit?usp=sharing Таблица]
[https://youtu.be/HTsJwf42_W4 Видеоинструкция на русском языке]
[https://t.me/AIinValuation обсуждение на русском языке]

Искусственный интеллект в оценке стоимости

2023-03-11T16:44:28Z

Kirill Murashev: Geocoding

Искусственный интеллект в оценке стоимости

Цель: разработка систем поддержки принятия решений при оценке стоимости, основанных на искусственном интеллекте.

Задачи:
# автоматизированный сбор данных;
# геокодирование;
# описание свойств рынка;
# проверка статистических гипотез о свойствах рынка;
# задачи классификации: кластерный анализ, метод k-средних и т. д.;
# задачи снижения размерности;
# методы параметрической статистики: анализ корреляции, регрессионный анализ и т. д.;
# методы непараметрической статистики: анализ корреляции, регрессионный анализ и т. д.;
# методы машинного обучения: решающие деревья, их леса, градиентный бустинг.
# нейронные сети: перцептрон, свёрточные.

Обсуждение:
https://www.facebook.com/groups/1977067932456703/?ref=share
https://t.me/AIinValuation

Материалы:
Statistics, Machine Learning, Data Mining and Artificial Intelligence in Valuation

git clone https://github.com/Kirill-Murashev/AI_for_valuers_book

git clone https://github.com/Kirill-Murashev/AI_for_valuers_R_source

git clone https://github.com/Kirill-Murashev/AI_for_valuers_Python_source

Отдельные работы:
1. Краткое введение в различия между частотным и байесовским подходами к вероятности в оценке стоимости
(http://kvalexam.ru/images/7/78/Frequentist-and-Bayesian-probability.pdf)

2. Обоснование необходимости вычитания единицы при расчёте выборочной дисперсии
(https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Sample-variance/Sample-variance-subtract-one.md)

3. Практическое применения U-критерия Wilcoxon-Mann-Whitney в оценочной деятельности
(https://github.com/Kirill-Murashev/AI_for_valuers_book/tree/main/Parts-Chapters/Mann-Whitney-Wilcoxon)

4. Приведение данных, имеющих распределение отличного от нормального, к нормальному путём преобразования Box-Cox
(https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Box-Cox-R/Box-Cox-transformation.md)

5. Обработка выбросов в рыночных данных (https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Outliers-handling/Outliers.ipynb)

6. Электронная таблица для преобразования рыночных данных по методу Box-Cox, а также вычисления оптимального значения лямбда (https://web.tresorit.com/l/gMSV3#lZ4ZYpX6SWR9mWF1GK3bVg)

7. Электронная таблица для проверки нормальности распределения рыночных данных (на данный момент реализованы методы Шапиро-Уилка, Андерсона-Дарлинга, Харке-Бера, Колмогорова-Смирнова, Хи-квадрат) (https://drive.google.com/file/d/1Ft8VtvlpXALMmcqExKipWgD_bGZwK5r1/view?usp=sharing)

8. Электронная таблица для расчёта трёх коэффициентов корреляции: Пирсона, Спирмена, Кендалла (https://drive.google.com/file/d/1hqxxA4_7HjkisNTEi4-fKaQnvcmKBXVi/view?usp=sharing)

9. Jaccknife resampling. При анализе данных об открытых рынках оценщики часто сталкиваются с необходимостью оценить некоторые параметры этих рынков. Однако, скорее всего, у них никогда не будет возможности работать с данными по всему рынку. Вместо этого они собирают выборки, содержащие относительно небольшое количество наблюдений. Необходимо понимать, что любая оценка, сделанная на основе выборки, актуальна только для этой выборки. В то время как типичной целью является оценка параметра для всего рынка. В этом случае можно сказать, что любая выборочная оценка может иметь смещение относительно истинного значения всего рынка. Но мы можем частично преодолеть эту проблему, применив метод Jackknife. Данный материал содержит некоторые теоретические основы, а также практическую реализацию на Python. [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife.ipynb Английская], [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife-esp.ipynb испанская] и [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife-nov.ipynb русская] версии материала.

10. Бутсрап в оценке стоимости. Материал о применении бутстрапа в оценочной деятельности на примере разработки элементов кредитной политики небольшого банка. В целом можно сказать, что данный метод является одним из краеугольных камней машинного обучения и может быть использован практически повсеместно в повседневной практике оценщиков. Материал состоит из небольшой теоретической части, а также кода на языке Python. Доступен на [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP.ipynb английском], [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP-esp.ipynb испанском] и [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP-nrs.ipynb русском языках].

Геокодирование и расчёт дистанции между объектами.

Разработал электронную таблицу (Google Sheets), получающую координаты объектов по их адресу либо названию, которая затем рассчитывает расстояние между ними. Обеспечивает определённую степень автоматизации при работе с геоданными для оценщиков.
[https://docs.google.com/spreadsheets/d/1qp_8IFgTKykMtTG5EaAMvUdY-fMSSOG81Ebo0Unr05g/edit?usp=sharing Таблица]
[https://youtu.be/HTsJwf42_W4 Видеоинструкция на русском языке]
[https://t.me/AIinValuation обсуждение на русском языке]
Видеоинструкция на русском языке: https://youtu.be/HTsJwf42_W4

Искусственный интеллект в оценке стоимости

2023-03-08T10:07:26Z

Kirill Murashev: TG

Искусственный интеллект в оценке стоимости

2023-03-08T10:04:36Z

Kirill Murashev: Bootstrapping

Искусственный интеллект в оценке стоимости

Цель: разработка систем поддержки принятия решений при оценке стоимости, основанных на искусственном интеллекте.

Задачи:
# автоматизированный сбор данных;
# геокодирование;
# описание свойств рынка;
# проверка статистических гипотез о свойствах рынка;
# задачи классификации: кластерный анализ, метод k-средних и т. д.;
# задачи снижения размерности;
# методы параметрической статистики: анализ корреляции, регрессионный анализ и т. д.;
# методы непараметрической статистики: анализ корреляции, регрессионный анализ и т. д.;
# методы машинного обучения: решающие деревья, их леса, градиентный бустинг.
# нейронные сети: перцептрон, свёрточные.

Обсуждение: https://www.facebook.com/groups/1977067932456703/?ref=share

Материалы:
Statistics, Machine Learning, Data Mining and Artificial Intelligence in Valuation

git clone https://github.com/Kirill-Murashev/AI_for_valuers_book

git clone https://github.com/Kirill-Murashev/AI_for_valuers_R_source

git clone https://github.com/Kirill-Murashev/AI_for_valuers_Python_source

Отдельные работы:
1. Краткое введение в различия между частотным и байесовским подходами к вероятности в оценке стоимости
(http://kvalexam.ru/images/7/78/Frequentist-and-Bayesian-probability.pdf)

2. Обоснование необходимости вычитания единицы при расчёте выборочной дисперсии
(https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Sample-variance/Sample-variance-subtract-one.md)

3. Практическое применения U-критерия Wilcoxon-Mann-Whitney в оценочной деятельности
(https://github.com/Kirill-Murashev/AI_for_valuers_book/tree/main/Parts-Chapters/Mann-Whitney-Wilcoxon)

4. Приведение данных, имеющих распределение отличного от нормального, к нормальному путём преобразования Box-Cox
(https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Box-Cox-R/Box-Cox-transformation.md)

5. Обработка выбросов в рыночных данных (https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Outliers-handling/Outliers.ipynb)

6. Электронная таблица для преобразования рыночных данных по методу Box-Cox, а также вычисления оптимального значения лямбда (https://web.tresorit.com/l/gMSV3#lZ4ZYpX6SWR9mWF1GK3bVg)

7. Электронная таблица для проверки нормальности распределения рыночных данных (на данный момент реализованы методы Шапиро-Уилка, Андерсона-Дарлинга, Харке-Бера, Колмогорова-Смирнова, Хи-квадрат) (https://drive.google.com/file/d/1Ft8VtvlpXALMmcqExKipWgD_bGZwK5r1/view?usp=sharing)

8. Электронная таблица для расчёта трёх коэффициентов корреляции: Пирсона, Спирмена, Кендалла (https://drive.google.com/file/d/1hqxxA4_7HjkisNTEi4-fKaQnvcmKBXVi/view?usp=sharing)

9. Jaccknife resampling. При анализе данных об открытых рынках оценщики часто сталкиваются с необходимостью оценить некоторые параметры этих рынков. Однако, скорее всего, у них никогда не будет возможности работать с данными по всему рынку. Вместо этого они собирают выборки, содержащие относительно небольшое количество наблюдений. Необходимо понимать, что любая оценка, сделанная на основе выборки, актуальна только для этой выборки. В то время как типичной целью является оценка параметра для всего рынка. В этом случае можно сказать, что любая выборочная оценка может иметь смещение относительно истинного значения всего рынка. Но мы можем частично преодолеть эту проблему, применив метод Jackknife. Данный материал содержит некоторые теоретические основы, а также практическую реализацию на Python. [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife.ipynb Английская], [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife-esp.ipynb испанская] и [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife-nov.ipynb русская] версии материала.

10. Бутсрап в оценке стоимости. Материал о применении бутстрапа в оценочной деятельности на примере разработки элементов кредитной политики небольшого банка. В целом можно сказать, что данный метод является одним из краеугольных камней машинного обучения и может быть использован практически повсеместно в повседневной практике оценщиков. Материал состоит из небольшой теоретической части, а также кода на языке Python. Доступен на [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP.ipynb английском], [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP-esp.ipynb испанском] и [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP-nrs.ipynb русском языках].

Искусственный интеллект в оценке стоимости

2023-02-06T11:58:20Z

Kirill Murashev: Добавлен метод Jackknife resampling

Искусственный интеллект в оценке стоимости

Цель: разработка систем поддержки принятия решений при оценке стоимости, основанных на искусственном интеллекте.

Задачи:
# автоматизированный сбор данных;
# геокодирование;
# описание свойств рынка;
# проверка статистических гипотез о свойствах рынка;
# задачи классификации: кластерный анализ, метод k-средних и т. д.;
# задачи снижения размерности;
# методы параметрической статистики: анализ корреляции, регрессионный анализ и т. д.;
# методы непараметрической статистики: анализ корреляции, регрессионный анализ и т. д.;
# методы машинного обучения: решающие деревья, их леса, градиентный бустинг.
# нейронные сети: перцептрон, свёрточные.

Обсуждение: https://www.facebook.com/groups/1977067932456703/?ref=share

Материалы:
Statistics, Machine Learning, Data Mining and Artificial Intelligence in Valuation

git clone https://github.com/Kirill-Murashev/AI_for_valuers_book

git clone https://github.com/Kirill-Murashev/AI_for_valuers_R_source

git clone https://github.com/Kirill-Murashev/AI_for_valuers_Python_source

Отдельные работы:
1. Краткое введение в различия между частотным и байесовским подходами к вероятности в оценке стоимости
(http://kvalexam.ru/images/7/78/Frequentist-and-Bayesian-probability.pdf)

2. Обоснование необходимости вычитания единицы при расчёте выборочной дисперсии
(https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Sample-variance/Sample-variance-subtract-one.md)

3. Практическое применения U-критерия Wilcoxon-Mann-Whitney в оценочной деятельности
(https://github.com/Kirill-Murashev/AI_for_valuers_book/tree/main/Parts-Chapters/Mann-Whitney-Wilcoxon)

4. Приведение данных, имеющих распределение отличного от нормального, к нормальному путём преобразования Box-Cox
(https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Box-Cox-R/Box-Cox-transformation.md)

5. Обработка выбросов в рыночных данных (https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Outliers-handling/Outliers.ipynb)

6. Электронная таблица для преобразования рыночных данных по методу Box-Cox, а также вычисления оптимального значения лямбда (https://web.tresorit.com/l/gMSV3#lZ4ZYpX6SWR9mWF1GK3bVg)

7. Электронная таблица для проверки нормальности распределения рыночных данных (на данный момент реализованы методы Шапиро-Уилка, Андерсона-Дарлинга, Харке-Бера, Колмогорова-Смирнова, Хи-квадрат) (https://drive.google.com/file/d/1Ft8VtvlpXALMmcqExKipWgD_bGZwK5r1/view?usp=sharing)

8. Электронная таблица для расчёта трёх коэффициентов корреляции: Пирсона, Спирмена, Кендалла (https://drive.google.com/file/d/1hqxxA4_7HjkisNTEi4-fKaQnvcmKBXVi/view?usp=sharing)

9. Jaccknife resampling. При анализе данных об открытых рынках оценщики часто сталкиваются с необходимостью оценить некоторые параметры этих рынков. Однако, скорее всего, у них никогда не будет возможности работать с данными по всему рынку. Вместо этого они собирают выборки, содержащие относительно небольшое количество наблюдений. Необходимо понимать, что любая оценка, сделанная на основе выборки, актуальна только для этой выборки. В то время как типичной целью является оценка параметра для всего рынка. В этом случае можно сказать, что любая выборочная оценка может иметь смещение относительно истинного значения всего рынка. Но мы можем частично преодолеть эту проблему, применив метод Jackknife. Данный материал содержит некоторые теоретические основы, а также практическую реализацию на Python. [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife.ipynb Английская], [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife-esp.ipynb испанская] и [https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Jackknife/jackknife-nov.ipynb русская] версии материала.

Искусственный интеллект в оценке стоимости

2022-12-07T19:23:02Z

Kirill Murashev:

Искусственный интеллект в оценке стоимости

2022-11-22T12:58:18Z

Kirill Murashev: Добавлена таблица для проверки нормальности распределения

Искусственный интеллект в оценке стоимости

2022-11-15T14:52:59Z

Kirill Murashev: The spreadshhet for Box-Cox transform was added

Искусственный интеллект в оценке стоимости

2022-11-12T19:22:08Z

Kirill Murashev: Добавлен материал "Обработка выбросов в рыночных данных"

Искусственный интеллект в оценке стоимости

2022-10-30T15:21:45Z

Kirill Murashev: I've added some my new papers.

Искусственный интеллект в оценке стоимости

2021-12-31T17:49:19Z

Kirill Murashev:

Файл:Frequentist-and-Bayesian-probability.pdf

2021-12-31T17:47:53Z

Kirill Murashev: Краткое введение в различия между частотным и байесовским подходами к вероятности в оценке стоимости

Краткое введение в различия между частотным и байесовским подходами к вероятности в оценке стоимости

Искусственный интеллект в оценке стоимости

2021-09-19T11:01:25Z

Kirill Murashev:

Искусственный интеллект в оценке стоимости

2021-09-19T11:00:28Z

Kirill Murashev: Добавить ссылки

Искусственный интеллект в оценке стоимости

2021-09-19T10:54:02Z

Kirill Murashev: Новая страница: «Искусственный интеллект в оценке стоимости Цель: разработка систем поддержки принятия…»

С чего начать работу

2021-09-19T10:42:21Z

Kirill Murashev:

Здравствуй, уважаемый волонтер! 
Мы благодарны за то, что Вы решили помочь проекту #оценщикивместе. 
 
__TOC__
 

== С чего начать? ==
Для добавления и редактирования материалов портала необходимо [http://kvalexam.ru/index.php?title=%D0%A1%D0%BB%D1%83%D0%B6%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F:%D0%A1%D0%BE%D0%B7%D0%B4%D0%B0%D1%82%D1%8C_%D1%83%D1%87%D1%91%D1%82%D0%BD%D1%83%D1%8E_%D0%B7%D0%B0%D0%BF%D0%B8%D1%81%D1%8C&returnto=%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80+%D0%BE%D1%84%D0%BE%D1%80%D0%BC%D0%BB%D0%B5%D0%BD%D0%B8%D1%8F зарегистрироваться]. 
 

== Какие материалы добавить в wiki? ==
Портал #оценщикивместе аккумулирует информацию по всем вопросам, относящимся к оценочной деятельности: методические материалы, описание событий и персон и т.д. Вы можете самостоятельно выбрать материал, который желаете добавить. 
Общий план развития портала описан [[первоочередные работы | тут]]. Там же можно узнать о статьях, которые необходимы порталу в первую очередь. 
Также можно связаться с администраторами Портала по почте imo@srosovet.ru для координации своих действий. 
 

== Как создать или редактировать новую страницу? ==
Создать новую страницу можно следующими основными способами: 
* нажать на красную ссылку где-нибудь в тексте (например, такие ссылки есть [[первоочередные работы | тут]]). Красная ссылка показывает: кто-то посчитал, что соответствующая страница нужна, но ее еще не сделали;
* в тексте любой существующей страницы написать название той, которую хотите создать, и заключить его в двойные квадратные скобки [[]].
Для редактирования страницы необходимо нажать на кнопку "править" сверху (рядом с кнопкой "читать") или такую же кнопку около нужного вам элемента оглавления страницы. Отметим, что редактирование некоторых страниц может требовать специальных прав. 
 
 

== Как форматировать текст? ==
Основные варианты форматирования текста описаны [[пример оформления | тут]]. Легче всего открыть указанную страницу для редактирования (кнопка "править") и скопировать соответствующий вариант оформления на ту страницу, которую вы правите. 
 

== Где получить дополнительную информацию? ==
Дополнительную информацию можно получить:
* в [https://www.mediawiki.org/wiki/Help:Contents/ru документации] на движок портала;
* у одного из администраторов портала по почте [mailto:imo@srosovet.ru imo@srosovet.ru];
* у других участников проекта #оценщикивместе в [https://www.facebook.com/groups/437500082966055/ профильной] группе сети Facebook.

[[Искусственный интеллект в оценке стоимости]]